在10分钟内用Flask作为Web App部署Keras模型 一个漂亮且可自定义的Web应用程序，可轻松部署DL模型 10分钟入门 克隆此仓库 安装要求 运行脚本 转到 做完了！ :party_popper: :backhand_index_pointing_down: 屏幕截图： 新的功能 :fire: 增强的，适合移动设备的UI 支持图像拖放 使用原始JavaScript，HTML和CSS。 删除jQuery和Bootstrap 默认情况下切换到TensorFlow 2.0和 将Docker基本映像升级到Python 3（2020年） 如果您需要使用Python 2.x或TensorFlow 1.x，请签出快照 与Docker一起运行 使用 ，您可以在数分钟内快速

DeepVariant DeepVariant是一个分析管道，它使用深度神经网络从下一代DNA测序数据中调用遗传变异。 为什么选择DeepVariant DeepVariant是高度准确的。 在2016年DeepVariant DeepVariant DeepVariant是一个分析管道，该管道使用深度神经网络从下一代DNA测序数据中调用遗传变异。 DeepVariant依赖于Nucleus，这是一个Python和C ++代码库，用于以通用基因组文件格式（例如SAM和VCF）读写数据，旨在与TensorFlow机器学习框架轻松集成。 如何运行我们建议使用我们的Docker解决方案。 该命令将如下所示：BIN_VERSION =“ 0.10.0” sudo docker run

感知相似性指标和数据集 深度特征作为感知指标的不合理有效性（ ，（ ，（ ，（ ，（ 。 在 ，2018中。 快速开始 运行pip install lpips 。 下面的Python代码就是您所需要的。 import lpips loss_fn_alex = lpips . LPIPS ( net = 'alex' ) # best forward scores loss_fn_vgg = lpips . LPIPS ( net = 'vgg' ) # closer to "traditional" perceptual loss, when used for optimizat

PyTorch中的CycleGAN和pix2pix 新增内容：请检查（CUT），这是我们新的非成对图像到图像翻译模型，可实现快速且高效存储的培训。 我们为未配对和配对的图像到图像转换提供PyTorch实施。 该代码被写了和，并支持。 这种PyTorch实施产生的结果可与原始Torch软件相比，甚至更好。 如果您想重现与论文相同的结果，请在Lua / Torch中查看原始的和代码。 注意：当前软件可与PyTorch 1.4配合使用。 检查出支持PyTorch 0.1-0.3的较旧。 您可以在和找到有用的信息。 要实现自定义模型和数据集，请查看我们的。 为了帮助用户更好地理解和适应我们

高光谱图像分离matlab代码深度生成端元建模：无监督光谱解混的应用 这个包包含作者对论文 [1] 的实现。 为了解决光谱分离中的端元可变性，端元光谱使用深度生成模型 (VAE) 建模，该模型从观察到的高光谱图像中学习。 这使我们能够使用生成模型的低维潜在空间中的点对可变端元进行参数化，然后可以与丰度同时优化以解决分离问题。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) example4.m - 比较算法的演示脚本 (DC4) example_real1.m - 比较算法的演示脚本（休斯顿） example_real2.m - 比较算法的演示脚本 (Samson) example_real3.m - 比较算法的演示脚本（Jasper Ridge） ./DeepGUn/ - 包含与 DeepGUn 算法相关的 MATLAB 文件 ./python/ - 包含与 DeepGUn 算法相关的 Python 文件 ./other_

Hands on Machine Learning with Scikit Learn and TensorFlow 英文原版 彩色配图

Unsupervised Learning: Deep Auto-encoder Auto-encoder Deep Auto-encoder Auto-encoder – Text Retrieval Auto-encoder – Similar Image Search Auto-encoder for CNN CNN -Unpooling CNN - Deconvolution

FinBERT-QA：使用 BERT 回答金融问题 FinBERT-QA 是一个问答系统，用于从数据集的任务 2 中检索有金融段落。 请参阅获取更多信息。 该系统使用来自信息检索和自然语言处理的技术，首先使用 Lucene 工具包检索每个查询的前 50 个候选答案，然后使用预训练的模型的变新排列候选答案。 FinBERT-QA 从 Huggingface 的库构建并应用 Transfer and Adapt [ ] 方法，首先将预训练的 BERT 模型转移并微调到一般 QA 任务，然后使用 FiQA 数据集将该模型适应金融领域。 转移步骤在的数据集上使用微调的 BERT 模型 ，它从 TensorFlow 转换为 PyTorch 模型。 在三个排名评估指标（nDCG、MRR、Precision）上结果平均提高了约 20%。 Overview of the QA pipeline:

针对金融组合管理问题的深度强化学习框架 该存储库介绍了在哥伦比亚大学的背景下实现的项目中我们的工作。 这个深度政策网络强化学习项目是我们对原始论文实施和进一步研究 。 目标：问题是自动化投资组合管理的一个问题：给定一组股票，如何在一定数量的时间步长结束时最佳地通过时间分配资金以最大化回报。 通过这种方式，我们的目标是建立一个自动代理，以最佳地在不同股票之间分配其投资权重。 数据：姜等。 使用Poloniex交易所的13种加密货币。 他们考虑了每分钟的开盘价，最高价，最低价，收盘价（OHLC）。 它们使投资组合每30分钟重新平衡一次。 他们重新处理数据并基于最近的50个时间步创建张量。 我们使用每日数据和每日重新平衡的日内数据框架将实验扩展到股票市场。 该项目分为三个部分： 数据预处理 环境设置 深度政策网络设计 代理商的培训和测试 这些文件是： data_pipe.ipynb

voxelmorph：基于学习的图像注册 voxelmorph是一个通用库，用于基于学习的工具进行对齐/配准，更常见的是使用变形建模。 讲解 访问以了解VoxelMorph和基于学习的注册 使用说明 要使用VoxelMorph库，请克隆此存储库并安装setup.py列出的要求，或者直接使用pip安装。 pip install voxelmorph 训练 如果您想训练自己的模型，则可能需要针对自己的数据集和数据格式在voxelmorph/generators.py自定义一些数据加载代码。 但是，假设您有一个包含npz（numpy）格式的训练数据文件的目录，则可以开箱即用地运行许多示例脚本。 假